Гаврилов А.В. Гибридные интеллектуальные системы

Подождите немного. Документ загружается.

– поддержка разных парадигм представления знаний и реше-

ния задач;

– возможность интеграции с другими программными систе-

мами;

– легкость наращивания базы знаний, в частности наличие

возможностей автоматизации процесса приобретения новых зна-

ний, т.е. обучения;

– легкость модификации программ;

– уровень языка программирования, на котором реализована

экспертная система.

В контексте понятности можно рассматривать следующие

характеристики:

– структуризация базы знаний;

– масштабируемость работы с базой знаний;

– использование графики в пользовательском интерфейсе;

– использование естественного языка в пользовательском ин-

терфейсе;

– адекватность пользовательского интерфейса особенностям

предметной области.

Треугольник иллюстрирует тот факт, что каждая пара из

этих трех классов находится в отношении конкуренции друг с

другом. Так, например, увеличивая гибкость, разработчики,

как правило, тем самым уменьшают быстродействие и понят-

ность, и наоборот. Увеличение понятности (это обычно связа-

но с увеличением специализации экспертной системы), как

правило, приводит к уменьшению гибкости и быстродействия.

Последнее может быть связано с упрощением структуры, а

следовательно, с уменьшением возможности оптимизации по-

иска вариантов на разных этапах решения задачи либо с уве-

личением доли графики и анимации, в том числе многомерной

в пользовательском интерфейсе.

Понятие гибридного интеллекта появилось впервые в ра-

боте [12] применительно к человекомашинным системам, в

которых под интеллектом понимался как искусственный ин-

теллект, так и естественный интеллект пользователя. Разно-

видность экспертных систем, в которых существенная роль

при решении задач отводится пользователю, получила назва-

ние партнерских систем

[13, 14]. Но в последнее время наметилась тенденция приме-

нения этого термина к искусственным интеллектуальным сис-

темам независимо от участия в них человеческого интеллекта.

В этой работе автор придерживается такого подхода.

Обычно под гибридными экспертными системами пони-

маются экспертные системы, в которых реализуются разные

парадигмы (методы, модели) представления и интерпретации

знаний, а также подсистема взаимодействия с внешним миром

не сводится только к пользовательскому интерфейсу.

В настоящее время существует большое разнообразие ме-

тодов представления знаний, которые можно разделить на

пять групп:

– логические;

– продукционные;

– фреймовые;

– семантические сети;

– нейронные сети.

Методы обработки (интерпретации знаний) обычно трудно

(а иногда невозможно) отделить от их представления и поэто-

му в дальнейшем будем говорить о методах представления и

обработки знаний.

Каждая из перечисленных групп имеет свои преимущест-

ва, недостатки, условия и цели применимости.

Логические методы [15–17] представления знаний харак-

теризуются хорошим математическим обоснованием. Цель их

использования – дать базис для построения других методов

представления знаний или для реализации языков программи-

рования искусственного интеллекта, таких как Prolog [18–20]

или SmallTalk [21]. Особое место среди них занимают методы

представления нечетких знаний: нечеткая логика [22], псевдо-

физические логики [23], лингвистические переменные [24] и

т.п. Наиболее развитая из этих моделей – псевдофизические

логики, в которых аккумулируются концепции нечетких мно-

жеств, лингвистической переменной и логики предикатов 1-го

порядка.

Продукционные методы [25–28] дают возможность созда-

вать и визуализировать базу знаний в привычной для человека

нотации «ЕСЛИ …, ТО …». С другой стороны, они базируют-

ся на хорошо обоснованных логических методах доказатель-

ства и в то же время дают возможность достаточно вольно ин-

терпретировать правила в зависимости от особенностей ре-

шаемых задач.

Цель фреймовых моделей [27, 29, 30] – дать удобную фор-

му визуализации текстовой информации, описывающей поня-

тия, с инкапсуляцией, наследованием свойств и ориентацией

на представление иерархических структур знаний. К ним

можно отнести и объектно ориентированную модель, появив-

шуюся позднее на основе, по всей видимости, концепции

фреймов.

Семантические сети [31, 32] ориентированы на визуализа-

цию знаний в виде графов. Они появились раньше фреймов

как средство описания смысла, заключенного в предложениях

естественного языка, и концепцию фреймов можно рассмат-

ривать как попытку структурировать семантические сети и

дать им лучшую обозримость путем комбинации текстового и

графического представления информации.

Нейронные сети [33 – 60] до недавнего времени рассмат-

ривались отдельно от всех других вышеперечисленных мето-

дов (вне инженерии знаний). Это связано с тем, что в них из-

начально речь шла об обработке сигналов, а не каким-либо

образом формализованных данных или знаний. Сейчас, когда

нейронные сети все больше применяются для обработки тек-

стовой информации и извлечения знаний из данных и намети-

лась тенденция использовать нейронные сети как основу по-

строения экспертных систем, их можно выделить в отдельную

группу методов представления знаний. Цель применения ней-

ронных сетей как метода представления и обработки знаний –

дать возможность наиболее естественным образом представ-

лять нечеткие знания, реализовать процесс обучения на при-

мерах на основе ассоциативного запоминания/вспоминания

информации (см. разд. 1.3 и 1.4.1).

В последнее десятилетие появились новые парадигмы

представления знаний, такие как онтологии [61, 62] и интел-

лектуальные агенты [63, 64].

Онтологии служат для структуризации больших баз зна-

ний, построенных с использованием других методов представ-

ления (фреймов, правил, семантических сетей) и являются про-

межуточными между понятиями базы знаний (в целом) и еди-

ницами знаний (фреймами, узлами семантической сети, отно-

шениями и т.п.).

Интеллектуальные агенты служат для той же цели, что и

онтологии. Только их применение направлено на декомпози-

цию не только базы знаний, но интеллектуальной системы в

целом как сложной программной или программно-аппаратной

системы для обеспечения возможности построения распреде-

ленных интеллектуальных систем [65, 66].

В рамках гибридных экспертных систем можно использо-

вать разные комбинации методов представления знаний. В

экспертных системах и инструментальных средствах для по-

строения экспертных систем наиболее часто применяются

комбинации правил-продукций с фреймами (XCON [5],

CENTAUR [67], СПЭЙС [68], ESWin [69–72, см. разд. 2.2],

BABYLON, Flex, AION, Eclipse, Arity Expert, Art*Enterprise) и

семантическими сетями (PROSPECTOR [73], ДЕКЛАР [74]).

Во всех методах представления из вышеперечисленных

(кроме нейронных сетей) реализуется в том или ином виде ло-

гический вывод (или, другими словами, моделируется вер-

бальное или логическое мышление). В нейронных сетях реа-

лизуется ассоциативная обработка информации (или модели-

руется ассоциативное мышление) (см. разд. 1.2).

В последнее время наметилась тенденция объединять в од-

ной системе ассоциативную и логическую обработку инфор-

мации (см. гл. 3, 4). К таким системам относятся, например,

экспертная система для управления прокатным станом [75],

диагностическая экспертная система для подводного аппарата

[76], экспертная система «Investor» для выдачи рекомендаций

об инвестициях [77], экспертная система для диагностики ава-

рийных ситуаций в работе энергосистемы [78], экспертная

система для профориентации «PROFEXOR» [79, см. разд. 3.4].

2.2. АРХИТЕКТУРА ИНСТРУМЕНТАЛЬНОГО ПРОГРАММНОГО

ОБЕСПЕЧЕНИЯ ESWIN

ДЛЯ СОЗДАНИЯ ГИБРИДНЫХ ЭКСПЕРТНЫХ СИСТЕМ

Всякий порядок произволен.

Ф. Герберт. Капитул Дюны

2.2.1. СОСТАВ И НАЗНАЧЕНИЕ

ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

Программное обеспечение ESWin предназначено для соз-

дания экспертных систем, ориентированных на решение задач

диагностики, идентификации и классификации. В его состав

входят пять программ (рис. 2.3): программная оболочка

ESWin, предназначенная для интерпретации баз знаний (ис-

пользуемая для разработки и отладки баз знаний); программ-

ная оболочка ESWinK для запуска баз знаний конечным поль-

зователем; редактор-конструктор баз знаний EdKb, позволяю-

щий в удобной форме конструировать, просматривать и редак-

тировать базы знаний; программа KBView для просмотра и

диагностики целостности баз знаний; программа KBOptim для

редактирования и оптимизации баз знаний. Программы могут

работать независимо друг от друга или в комплексе.

Редактор баз

знаний EdKB

Оболочка

ESWin

Программа

KBView

Оболочка

ESWinK

База знаний

База фактов

Базы данных

Внешние

программы

Разработчик экспертной системы Конечный пользователь

Рис. 2.3. Состав пакета ESWin

В пакете ESWin реализовано представление знаний в виде

правил-продукций, фреймов и лингвистических переменных.

Для решения задач в ней реализован нечеткий обратный логи-

ческий вывод. Кроме того, оболочка ESWin позволяет запус-

кать из базы знаний внешние программы и получать в процес-

се логического вывода факты из внешних реляционных баз

данных.

Программное обеспечение ESWin разработано совместно

кафедрой вычислительной техники НГТУ и фирмой

«ИНСИКОМ» (Интеллектуальные системы и комплексы)

(http://insycom.chat.ru) и реализовано на Delphi 5.

2.2.2. БАЗА ЗНАНИЙ

База знаний (БЗ) содержит набор фреймов и правил-

продукций. Формат внешнего представления базы знаний:

TITLE = ‹название экспертной системы›

COMPANY = ‹название предприятия›

FRAME = ‹имя фрейма 1› // фрейм

‹описание фрейма›

ENDF

…

FRAME ‹имя фрейма m› // фрейм

‹описание фрейма›

ENDF

RULE 1 // правило-продукция

‹описание условий правила›

‹описание заключений правила›

ENDR

…

RULE n // правило-продукция

‹описание условий правила›

‹описание заключений правила›

ENDR

Пример базы знаний:

TITLE = ЭС для выбора метода представления знаний (фрагмент)

COMPANY = Insycom Ltd. http://insycom.chat.ru

Frame=Цель

Parent:

Метод представления знаний: ()

Представление нечетких знаний: ()

Сложность системы: ()

EndF

Frame=Тип

Parent:

Решаемые задачи [Для решения каких задач планируется использовать ЭС?]: (диагности-

ка; проектирование; планирование; мониторинг; прогнозирование)

EndF

Frame=Область

Parent:

Применение [Какова область применения?]: (медицина; вычис-

лительная техника; АСУТП; управление производством; юрис-

пруденция)

EndF

Frame=Предметная область

Parent:

Количество понятий [Количество понятий в предметной области?](численный): ()

Необходимость структуризации: ()

Нечеткость: ()

Этапы принятия решений [Сколько ожидается этапов принятия решений?]: (Один этап;

Два этапа; Несколько)

EndF

Frame = Действие

Parent:

Программа: ()

Сообщение: ()

Фрейм: ()

Удаление: ()

Запуск: ()

EndF

Frame (шаблон) = Условия для правил

Parent:

Назначение: (Поддержка принятия решений)

Источник знаний: (Диалог с пользователем)

Работа: (не в реальном времени)

Нет: (четко выраженной иерархии понятий в предметной области)

EndF

Frame = Управление производством

Parent: (Предметная область)

Назначение: (Поддержка принятия решений)

Источник знаний: (Диалог с пользователем)

EndF

// Правило демонстрирует использование фрейма-шаблона «условия для правил»

Rule 1

= (Область.Применение; Условия для правил)

= (Метод представления знаний; Правила-продукции) 100

EndR

// Два правила используют численный слот

Rule 2

<(Предметная область. Количество понятий; 10)

=(Предметная область. Необходимость структуризации; Нет)

100

EndR

Rule 3

GT(Предметная область. Количество понятий; 1000)

=(Предметная область. Необходимость структуризации; Да) 100

EndR

// Правило демонстрирует формирование альтернативных противоположных решений

Rule 4

>(Предметная область. Количество понятий; 100)

<(Предметная область. Количество понятий; 1000)

=(Предметная область. Необходимость структуризации; Да) 90

=(Предметная область. Необходимость структуризации; Нет) 50

EndR

Rule 5

=(Область. Применение; медицина)

=(Тип. Решаемые задачи; диагностика)

=(Метод представления знаний; Фреймы) 100

=(Метод представления знаний; Правила-продукции) 90

EndR

//Правило демонстрирует вывод сообщения при срабатывании правила

// и формирование нескольких альтернативных решений

Rule 6

=(Область. Применение; вычислительная техника)

=(Тип. Решаемые задачи; проектирование)

=(Метод представления знаний; Фреймы) 100

=(Метод представления знаний; Правила-продукции с представ-

лением нечетких знаний) 70

=(Метод представления знаний; Семантические сети) 70

MS(Действие. Сообщение; Вероятно, требуется комбинация

предложенных методов представления знаний) 100

EndR

// Правило демонстрирует использование слота с одним значением (факта)

Rule 7

=(Область. Применение; Управление производством)

=(Управление производством. Назначение; Поддержка принятия решений)

=(Метод представления знаний; Правила-продукции) 95

=(Метод представления знаний; Фреймы) 70

EndR

// Три правила демонстрируют вывод содержимого фрейма при

срабатывании правила

// Правило использует промежуточное решение, формируемое

правилами 2 и 3

Rule 8

=(Предметная область. Необходимость структуризации; Есть)

=(Метод представления знаний; Фреймы) 100

FR(Действие. Фрейм; Предметная область) 100

EndR

Rule 9

=(Предметная область. Этапы принятия решений; Несколько)

=(Метод представления знаний; Правила-продукции) 100

FR(Действие. Фрейм; Предметная область) 100

EndR

Rule 10

=(Предметная область. Этапы принятия решений; Несколько)

=(Метод представления знаний; Правила-продукции) 100

FR(Действие. Фрейм; Предметная область) 100

EndR

// Правило использует промежуточное решение, формируемое правилами 13 и 14

// Правило демонстрирует запуск программы с передачей пара-

метра

// при срабатывании правила

Rule 11

=(Предметная область. Нечеткость; да)

=(Метод представления знаний; Правила-продукции)

=(Представление нечетких знаний; Коэффициенты достоверно-

сти заключений правил) 100

EndR

Rule 12

=(Область. Применение; медицина)

>(Медицина. Количество понятий; 500)

=(Сложность системы; Высокая) 95

EndR

Rule 13

=(Область. Применение; Медицина)

=(Предметная область. Нечеткость; да) 100

EndR

Rule 14

=(Область. Применение; Управление производством)

=(Предметная область. Нечеткость; Да) 100

EndR

База знаний состоит из двух частей: постоянной и пере-

менной. Переменная часть базы знаний называется базой дан-

ных (или базой фактов) и включает факты, полученные в ре-

зультате логического вывода. Факты в базе данных не являют-

ся постоянными. Их количество и значение зависят от процес-

са и результатов логического вывода.

До начала работы с экспертной оболочкой база знаний на-

ходится в текстовом файле. В файле с расширением *.klb

(KnowLedge Base) хранятся фреймы и правила-продукции (база

знаний). Этот файл создается пользователем с помощью спе-

циального редактора EdKB или вручную с помощью какого-

либо стандартного текстового редактора (например, «Блок-

нот» или WordPad). Кроме файла *.klb в базу знаний может

входить файл *.lvd, содержащий описания лингвистических

переменных (см. п. 2.2.6), если они используются в базе зна-

ний. В файле с расширением *.dtb (DaTa Base) хранятся фак-

ты, полученные в процессе логического вывода (база данных).

При начале работы с программной оболочкой наличие данного

файла необязательно. Файл с базой данных создается про-

граммной оболочкой в процессе логического вывода.